（本文节选自《工业大数据分析算法实战》，作者田春华博士）
工业大数据分析师直接面临工业一线问题，除了坚实的数据分析算法/工具、软件开发基础、大数据平台基础、工程基础（如理论力学、材料力学、热力学、电磁理论、控制理论、信号处理等）等技术层面的知识外，还需要能有一定业务/工业系统分析能力和工业领域知识。对于从事第三方服务的工业数据分析师，还需要良好的学习能力、宽阔行业知识结构和丰富的实践经验。鉴于本书的主题，这里仅仅讨论数据分析算法层面。一个算法有很多不同维度，如表1‑5所示，只有把这些维度都熟悉了，才算熟练掌握了一个算法。
不同目的对上面4个维度的侧重点不同。一个算法研究者，更关注既有算法提出的动机、问题的形式化方法和可能改进点，有了这种思想层面的理解才可能发展一些新的有用的算法；而教育工作者，除了大概思路外，关注更多是理论推导；作为一个工程分析应用人员，除了关注应用外，自身更关心常见算法的整体概念框架（这样有选择的自由）、算法的适用范围、不同算法组合套路、不同算法包的对比等，在对外交流时，也会关注算法的形象化解释（让其他领域的人快速理解）。对算法的理解在单个维度可能会遇到瓶颈，这时候不同算法、不同维度的交叉类比可能非常有帮助，用其他类似或相关算法去理解新算法，用算法的对比驱动更深层次的理解，通过阅读源代码（很多优秀算法包）去理解算法的数学公式，通过简单算例对比去理解算法的工作机制。对于工业分析师来说，可以先快速入门，扩大视野，形成直觉研判，然后再分而治之去深入每个算法的理论推导，采用螺旋上升的方式，通过如下图所示的交叉印证与检验，适度的追求技巧，让数据分析工作充满乐趣，驱动更多更高效率的学习。
另外，田博按照算法、工具软件、案例三类，在《工业大数据分析算法实战》书中推荐了一些数据分析必读书目（见下表），必读图书的要点解读可以参考原著。
